Сосредоточение на компьютерном зрении, рабочих процессах и радиологии
В нашей системе здравоохранения нехватка.
Недавнее открытие Ассоциации американских медицинских колледжей показало, что к 2032 году только в Соединенных Штатах нам будет не хватать между 46 900 и 121 900 врачей, и не намного лучше в других странах.
Это означает, что врачам нужно будет работать больше часов, имея больше работы на своих тарелках, пытаясь поддерживать качество обслуживания для своих пациентов.
Мы убедились, насколько хрупкой является наша система здравоохранения в связи с недавней пандемией, и даже игнорируя тот факт, что выгорания врачей растет.
Исследователи опросили 422 семейных врача и терапевтов, которые работали в 119 амбулаторных клиниках, и опросили 1795 пациентов из этих клиник и просмотрели их медицинские записи для получения информации о качестве лечения и медицинских ошибках. Более половины врачей сообщили, что испытывают нехватку времени при проведении медицинских осмотров. Почти треть считает, что им нужно как минимум на 50 процентов больше времени, чем было отведено для этой функции по уходу за пациентами. Кроме того, почти четверть заявили, что им нужно как минимум на 50 процентов больше времени для последующих посещений. - Агентство медицинских исследований и качества
Но мы можем создать системы, которые помогут снизить нагрузку на врачей, оптимизируя их рабочие процессы и предоставляя им доступ к качественным инструментам, облегчающим им работу.
Эта статья послужит введением в применение ИИ в системе здравоохранения, которую я напишу. Здесь я сосредоточусь на клинической визуализации и применении алгоритмов искусственного интеллекта в помощь врачам-клиницистам.
Инструменты, используемые для клинической визуализации
При обучении модели машинного обучения важно иметь общее представление о типах изображений, которые может содержать ваш набор данных. Некоторые изображения могут быть очень подробными и допускать более высокую точность обучения. Другие изображения могут иметь более низкую детализацию, но используются чаще.
Например, вы можете разработать отличную модель, которая может определить, где находятся переломы костей на компьютерной томографии, но модель может плохо работать на рентгеновских снимках. Если большинство больниц и клиник используют рентгеновские лучи для лечения переломов костей, а ваша модель не может работать с такими данными, она может оказаться бесполезной.
Вот почему важно знать типы доступных инструментов воображения, чтобы вы могли исследовать, как лучше всего реализовать построенную вами модель.
Мы сосредоточим внимание на трех типах аппаратов, используемых врачами.
1. Рентгеновские лучи
Рентгеновские лучи обычно используются для лечения костей и иногда плотных органов, таких как легкие или сердце.
Машина работает, пропуская радиацию (рентгеновские лучи) через определенную область тела. Излучение, которое блокируется плотными объектами, отображается на пленке белым.
Обычно они используются для диагностики:
- Заболевание / деградация костей
- Обесцвечивание
- Переломы
- Опухоли
- Инфекции
Эти изображения обычно менее детализированы, чем другие решения для визуализации, и требуют использования излучения.
На рентгеновском снимке будет получено одно двухмерное изображение.
Рентгеновские лучи обычно являются самым дешевым вариантом медицинской визуализации, и иногда их делают в первую очередь, даже если врач считает, что вам может понадобиться компьютерная томография или МРТ позже.
2. Компьютерная томография.
Компьютерная томография похожа на рентген в том, что для захвата изображения используется излучение. Основное отличие состоит в том, что он имеет возможность снимать несколько срезов тела, давая врачу трехмерный вид снимаемого среза.
КТ очень эффективны, потому что они позволяют врачам создавать подробные изображения костей, мягких тканей кровеносных сосудов и других органов.
Обычно они используются для диагностики:
- Аппендицит
- Рак
- Травма
- Сердечное заболевание
- Инфекции.
Важно отметить, что само изображение не 3D, а , это несколько 2D-изображений.
КТ дороже, чем рентген, но дает гораздо больше деталей.
МРТ
Магнитно-резонансная томография (или МРТ) обычно используется при травмах мягких тканей, таких как мышцы или соединительные ткани. Это потому, что они предоставили больше деталей для этих типов тканей. В МРТ используется электромагнит для получения изображения, которое исключает радиацию.
Однако это означает, что они не могут использоваться людьми с металлом в теле. МРТ позволяет получать как 2D-, так и 3D-изображения.
МРТ - самый дорогой инструмент визуализации, который может иметь врач.
Источник: Подробнее о различиях можно прочитать здесь
Рабочий процесс в медицинской визуализации
Следующая часть, которую важно понять, - это рабочий процесс, который обычно используют клиники и больницы для визуализации.
Эта информация поможет нам узнать, на каком этапе должна быть развернута наша модель.
Здесь мы видим 5 основных этапов. Изображение сначала делается с помощью рентгена, КТ или МРТ. Затем изображения сохраняются на онлайн-сервере, который называется Система архивации изображений и связи (PACS). Этот сервер позволяет различным отделениям получать доступ к информации о изображениях в больнице. После этого радиолог прочитает и интерпретирует изображения в порядке в порядке поступления. Они выявляют отклонения, а затем генерируют интерпретацию изображения или изображений пациента. Наконец, врач изучит результаты сканирования и всю другую доступную информацию, чтобы поставить диагноз. Важно знать, что диагноз ставит только врач, а не радиолог.
Типы выполняемых изображений
1. Диагностическая визуализация
Если врач считает, что у пациента есть какая-то проблема, и для ее подтверждения требуется воображение, мы бы назвали это диагностическим изображением.
Например, в случае, если врач может полагать, что в результате сотрясения мозга произошло серьезное повреждение мозга, он может назначить компьютерную томографию или МРТ, чтобы диагностировать какое-либо значительное повреждение мозга.
Диагностические изображения могут использоваться как в экстренных ситуациях, когда жизнь может быть в опасности (например, при подтверждении кровотечения в мозгу), так и в неэкстренных ситуациях.
2. Скрининг
Обычно это используется, когда с пациентом все в порядке, но он не является менее высоким риском. Например, пациент с семейным анамнезом рака легких может проходить периодический скрининг для раннего выявления.
Обычно это неэкстренные ситуации.
Источник: Mayfair
Основные алгоритмы 2D-изображения
Далее мы должны получить краткий обзор типов алгоритмов визуализации, которые можно применить к медицинским изображениям. Эти алгоритмы помогут нам определить лучший подход и решение для решения конкретных проблем.
Классификация
Классификация используется для определения того, к какому классу относится изображение. Это делается с помощью алгоритма, идентифицирующего структуру или находящего с помощью изображения. Это может быть двоичный или мультиклассовый. С точки зрения непрофессионала, классификация решает вопрос «это фотография кошки или собаки». В медицине мы можем использовать его, чтобы определить, присутствует ли на изображении что-то вроде опухоли.
Например, если бы я передал это классификатору изображений, он вернул бы нам результат «У пациента опухоль». Он не предоставит никакой другой информации, например о размере или местонахождении опухоли.
Локализация (обнаружение)
Локализация похожа на классификацию в том, что она определяет, существует ли структура или находка. Но дело идет немного дальше.
Вместо того, чтобы сообщать вам, что открытие существует, локализация будет заключать в рамку местоположения каждого из результатов, которые была идентифицирована моделью. Это чрезвычайно полезно для привлечения внимания радиолога, который может быстрее определить потенциальные точки интереса.
В приведенном выше примере опухоль очевидна. Но в следующем примере мы будем искать поражения легких.
Здесь алгоритм смог правильно определить поражение легких. Иногда также указывается уровень достоверности, чтобы помочь рентгенологу понять, насколько вероятно, что модель считает, что она определила правильную область.
Сегментация
Сегментация похожа на локализацию и классификацию в том смысле, что она определяет, существует ли структура или находка, и определяет их положение на изображении.
Сегментация идентифицирует пиксели в изображении, которые содержат структуру, и выделяет эту структуру. Это полезно для получения площади или размера конструкции и отслеживания ее роста или уменьшения с течением времени.
Например, здесь, в этом примере, вместо того, чтобы просто ограничить область, где находится опухоль, модель вместо этого пытается очертить точную опухоль. Это упрощает вычислительное определение размера опухоли по определенному срезу или изображению.
Заинтересованные стороны
Если вы хотите вывести свой продукт на рынок, важно отметить, какие заинтересованные стороны задействованы и формируют ваш продукт таким образом, чтобы приносить пользу каждой из заинтересованных сторон.
Радиологи (клинический участник)
- Обычно это конечный пользователь вашего алгоритма, который должен быть знаком с точностью и типами сбоев, которые алгоритм может сделать.
- Они будут играть важную консультативную роль при разработке вашей модели, предоставляя важные идеи, с которыми они сталкиваются ежедневно.
- Радиологи больше всего заботятся о том, чтобы низкое распределение в уже загруженном рабочем процессе. Модель с отличными характеристиками, которую сложно использовать, не полетит.
Врач (клинический участник)
- У клиницистов будет меньше видимости понимания вашего алгоритма.
- Клиницисты также заботятся о том, чтобы не нарушать рабочий процесс. Алгоритм, который занимает слишком много времени или предоставляет данные, которые трудно интерпретировать клиническим, будет для них бесполезен.
Пациенты (клинический участник)
- Пациент будет самой важной заинтересованной стороной.
- Пациент может никогда не узнать, что ИИ участвовал в процессе диагностики.
- Пациента больше всего волнует понимание того, почему у него такой диагноз, сколько времени требуется на его получение и насколько точен этот диагноз.
Компании по производству медицинского оборудования (заинтересованные стороны в отрасли)
- Эти компании производят устройства, используемые в больницах, лабораториях и клиниках.
- Обычно они имеют собственное сопутствующее программное обеспечение для обработки изображений и разрабатывают собственные алгоритмы искусственного интеллекта.
- Производители медицинского оборудования
- Важно знать, на что способны эти системы и как ваш алгоритм улучшает или улучшает уже используемое текущее программное обеспечение.
Софтверные компании (заинтересованные стороны в отрасли)
- Разрабатывайте алгоритмы искусственного интеллекта для визуализации или клинических приложений.
- Они должны четко указывать, на каких типах медицинского оборудования для визуализации было проверено их программное обеспечение (в целях регулирования).
Больницы и радиологические клиники (заинтересованные стороны)
- Должен поддерживать инфраструктуру для любого развернутого алгоритма (облачные ресурсы / графические процессоры / другое оборудование)
- Интерес к ИИ обычно связан со снижением затрат с течением времени.
Регулирующие органы (заинтересованные стороны)
- Их главная забота - безопасность пациентов. Это означает очень жесткие правила.
- Они гарантируют, что алгоритм маркируется, продается и используется надлежащим образом в клинических условиях.
- Регулирующие органы, такие как FDA, рассматривают алгоритмы искусственного интеллекта для получения медицинских изображений как медицинские устройства.
Когда ИИ наиболее эффективен?
Когда это делает работу всех участников проще и эффективнее. Точность вашего алгоритма имеет значение, но не менее важно то, как он реализован.
- Алгоритмы должны делать критические исследования БЫСТРЕЕ для интерпретации.
- Это должно помочь снизить выгорание и усталость врачей.
- Делайте точные оценки.
- Быть легким в использовании участниками.
Примеры кейсов
Снижение выгорания у радиолога
Применение: обследование на маммографию.
Резюме. Ежегодно в США делают миллионы маммографий, и для интерпретации результатов требуется 2 рентгенолога. Более 85% сделанных маммографий оказались полностью нормальными.
Проблема: радиологи зря тратят часы на интерпретацию обычных маммографических снимков.
Возможное решение: используйте классификацию. В зависимости от точности модели могут использоваться алгоритмы, чтобы определить, дает ли маммограмма положительный или отрицательный результат, а затем можно использовать одного радиолога для проверки результата.
Оптимизация рабочего процесса радиолога в отделении скорой помощи
Применение: предупреждение об утечке мозгов
Резюме. Радиологи считывают изображения в очереди PACs в порядке очереди.
Проблема: мозговые кровотечения являются смертельными, если их не лечить, и их необходимо быстро обнаруживать.
Возможное решение: алгоритм классификации, который запускается перед помещением изображения в PAC. Если он определяет, что кровотечение в мозг существует, его можно поместить в начало очереди для проверки рентгенологом.
Учет всех этих компонентов и более целостное понимание медицинского ландшафта - лучший способ гарантировать, что ваши алгоритмы действительно могут быть использованы в медицинских учреждениях.
Если вам понравилась эта работа, подумайте о том, чтобы проверить некоторые из моих других!
